Monitore a integridade do disco usando smartd (em smartmontools) em um servidor RAID 1 de software de alta disponibilidade

Eu tenho um servidor com três discos de 3 TB SATA / 600 idênticas: /dev/sda, /dev/sdb, /dev/sdc. As unidades são particionadas, usando GPT com três partições cada:

• 1 MB: partição reservada para o carregador de inicialização
• 1 GB: RAID1 / dev / md0 (ext2 (/ boot))
• 3 TB: RAID1 / dev / md1 (volume criptografado (LVM (grupo de volumes (Swap, /, / etc, / home ...))))

Uma das três unidades é uma reposição a quente e as outras duas estão ativas nos conjuntos de RAID. Funciona bem e eu consigo inicializar depois de desconectar qualquer disco rígido único. Desejo usar o smartd (parte do smartmontools) para monitorar a integridade das unidades e relatar erros no syslog (que eu monito usando a verificação de log ). Esse servidor deve ter a maior disponibilidade possível, mas é aceitável que o desempenho seja reduzido durante os testes.

Aqui está a saída de smartctl -a /dev/sda:

smartctl 5.41 2011-06-09 r3365 [x86_64-linux-3.2.0-4-amd64] (local build)
Copyright (C) 2002-11 by Bruce Allen, http://smartmontools.sourceforge.net

=== START OF INFORMATION SECTION ===
Device Model:     WDC WD30EZRX-00MMMB0
Serial Number:    WD-WMAWZ0412093
LU WWN Device Id: 5 0014ee 2b19fbdcd
Firmware Version: 80.00A80
User Capacity:    3,000,592,982,016 bytes [3.00 TB]
Sector Sizes:     512 bytes logical, 4096 bytes physical
Device is:        Not in smartctl database [for details use: -P showall]
ATA Version is:   8
ATA Standard is:  Exact ATA specification draft version not indicated
Local Time is:    Fri Sep 27 15:37:25 2013 CEST
SMART support is: Available - device has SMART capability.
SMART support is: Enabled

=== START OF READ SMART DATA SECTION ===
SMART overall-health self-assessment test result: PASSED

General SMART Values:
Offline data collection status:  (0x82) Offline data collection activity
                    was completed without error.
                    Auto Offline Data Collection: Enabled.
Self-test execution status:      (   0) The previous self-test routine completed
                    without error or no self-test has ever 
                    been run.
Total time to complete Offline 
data collection:        (50280) seconds.
Offline data collection
capabilities:            (0x7b) SMART execute Offline immediate.
                    Auto Offline data collection on/off support.
                    Suspend Offline collection upon new
                    command.
                    Offline surface scan supported.
                    Self-test supported.
                    Conveyance Self-test supported.
                    Selective Self-test supported.
SMART capabilities:            (0x0003) Saves SMART data before entering
                    power-saving mode.
                    Supports SMART auto save timer.
Error logging capability:        (0x01) Error logging supported.
                    General Purpose Logging supported.
Short self-test routine 
recommended polling time:    (   2) minutes.
Extended self-test routine
recommended polling time:    ( 255) minutes.
Conveyance self-test routine
recommended polling time:    (   5) minutes.
SCT capabilities:          (0x3035) SCT Status supported.
                    SCT Feature Control supported.
                    SCT Data Table supported.

SMART Attributes Data Structure revision number: 16
Vendor Specific SMART Attributes with Thresholds:
ID# ATTRIBUTE_NAME          FLAG     VALUE WORST THRESH TYPE      UPDATED  WHEN_FAILED RAW_VALUE
  1 Raw_Read_Error_Rate     0x002f   200   200   051    Pre-fail  Always       -       0
  3 Spin_Up_Time            0x0027   148   148   021    Pre-fail  Always       -       9575
  4 Start_Stop_Count        0x0032   100   100   000    Old_age   Always       -       95
  5 Reallocated_Sector_Ct   0x0033   200   200   140    Pre-fail  Always       -       0
  7 Seek_Error_Rate         0x002e   200   200   000    Old_age   Always       -       0
  9 Power_On_Hours          0x0032   099   099   000    Old_age   Always       -       820
 10 Spin_Retry_Count        0x0032   100   253   000    Old_age   Always       -       0
 11 Calibration_Retry_Count 0x0032   100   253   000    Old_age   Always       -       0
 12 Power_Cycle_Count       0x0032   100   100   000    Old_age   Always       -       93
192 Power-Off_Retract_Count 0x0032   200   200   000    Old_age   Always       -       65
193 Load_Cycle_Count        0x0032   196   196   000    Old_age   Always       -       12824
194 Temperature_Celsius     0x0022   119   116   000    Old_age   Always       -       33
196 Reallocated_Event_Count 0x0032   200   200   000    Old_age   Always       -       0
197 Current_Pending_Sector  0x0032   200   200   000    Old_age   Always       -       0
198 Offline_Uncorrectable   0x0030   200   200   000    Old_age   Offline      -       0
199 UDMA_CRC_Error_Count    0x0032   200   200   000    Old_age   Always       -       0
200 Multi_Zone_Error_Rate   0x0008   200   200   000    Old_age   Offline      -       0

SMART Error Log Version: 1
No Errors Logged

SMART Self-test log structure revision number 1
Num  Test_Description    Status                  Remaining  LifeTime(hours)  LBA_of_first_error
# 1  Short offline       Completed without error       00%       787         -
# 2  Extended offline    Completed without error       00%       727         -

SMART Selective self-test log data structure revision number 1
 SPAN  MIN_LBA  MAX_LBA  CURRENT_TEST_STATUS
    1        0        0  Not_testing
    2        0        0  Not_testing
    3        0        0  Not_testing
    4        0        0  Not_testing
    5        0        0  Not_testing
Selective self-test flags (0x0):
  After scanning selected spans, do NOT read-scan remainder of disk.
If Selective self-test is pending on power-up, resume after 0 minute delay.

Parece que o teste offline é suportado. Quando emito smartctl -o on, smartctl -cmostra que Offline data collection statusfoi definido como (0x82). Se eu emitir smartctl -o offo mesmo valor se torna (0x02).

Eu configurei smartd para iniciar com o servidor, definindo start_smartd=yesem /etc/default/smartmontools. Como você recomendaria que eu configurasse o smartd editando /etc/smartd.confpara este servidor? Por favor, descreva cada parâmetro que você usa e por que você o usa da maneira que usa.

Vou adicionar minha configuração atual como resposta. Sinta-se à vontade para usá-lo como base e aprimorá-lo em sua própria resposta. Uma descrição melhor usando a mesma configuração também seria uma melhoria!

Configuramos todos os nossos servidores para executar autotestes regulares com a seguinte linha /etc/smartd.conf:

# DEVICESCAN matches all hard disks found in /dev/ and applies the following
# options to them.
#
# Default options from Debian:
# -d removable     don't exit when the device when a device vanishes
# -n standby       don't wake a device up that is sleeping
# -m root          send error reports to root
# -M exec ...      pipe the mail through that script
#
# Our options:
# -s L/../02/./17  run a long selftest on every 2nd of every month
#                  at 17 o'clock
DEVICESCAN -d removable -n standby -m root -M exec /usr/share/smartmontools/smartd-runner -s L/../02/./17

Os Selftests são, na IMO, o tipo de exame de saúde mais confiável que a SMART oferece.

EDITAR:

Poderia explicar o que -d removablefaz?

De man smartd.conf:

          removable - the device or its media is  removable.   This  indi‐
          cates  to  smartd  that  it should continue (instead of exiting,
          which is the default behavior) if the device does not appear  to
          be  present  when smartd is started.  This Directive may be used
          in conjunction with the other ´-d´ Directives.

Suponho que evite smartdmorrer quando um dos discos monitorados desaparecer ...? Não sei ao certo, acabei de adicionar a -s L/../02/./17parte a essa linha. A linha original:

DEVICESCAN -d removable -n standby -m root -M exec /usr/share/smartmontools/smartd-runner

é o padrão do Debian.

Troquei de longos autotestes para select,conttestes. É como o longo autoteste, mas apenas uma fatia de disco de cada vez. Portanto, embora o longo autoteste possa demorar mais de um dia (com um disco de 3 TB ocupado), o teste seletivo pode ser executado todas as noites quando o servidor estiver menos ocupado e realmente terminar, sem prejudicar o desempenho nas horas mais ocupadas.

Então, basicamente, você distribuiria um autoteste mensal longo de todo o disco, para um teste noturno seletivo que ainda cobre todo o disco ao longo de um mês.

Leva alguma preparação embora.

• smartddeve executar com a --savestatesopção, pois os próprios discos geralmente não acompanham a última região testada.
• Você deve iniciar o primeiro autoteste seletivo manualmente ( -t select,0-$size) para smartdsaber o tamanho da fatia a ser testada todos os dias. O tamanho determina quanto tempo o teste levará e quantos dias durarão o disco inteiro.
• Verifique se o tamanho escolhido é alinhado ao tamanho do disco. Caso contrário, você corre o risco de a última fatia ser muito pequena (na pior das hipóteses, você perde um dia testando apenas um único setor do disco).
• Você deve verificar se essas informações realmente chegaram aos arquivos do estado selvagem, como às vezes não, e o teste não será executado da maneira que você deseja. (Editar o arquivo savestate diretamente também é uma opção).
• A sintaxe para o smartd.confarquivo é -s c/../.././01(neste exemplo, ele seria executado todos os dias às 01:00).

Feito isso, o processo é automático e confiável. Quando chegar ao final do disco, será iniciado automaticamente no início do dia seguinte. Leia a página de smartctlmanual sobre select,conttestes.

Embora os testes longos ou seletivos sejam ótimos, você provavelmente ainda deve executar os testes de avaliação curtos ou gerais. Eles levam um tempo muito curto e podem ajudar a detectar problemas gerais.

Eu costumo usar essa verificação simples, definida por unidade e não globalmente por sistema (com DEVICESCANopção) - estou interessada no status geral de integridade do SMART e se há realocação de setores pendentes e setores defeituosos desde o último teste SMART. Quaisquer eventos suspeitos são enviados por correio para meu endereço inteligente:

/dev/sda -H -C 0 -U 0 -m smart@domain.tld

Em alguns sistemas, eu defini a execução automática de autotestes SMART em datas específicas automaticamente. Essa especificação define a execução de testes longos em duas unidades todos os domingos após a meia-noite (mas não nos mesmos horários - entre meia-noite e 1h e depois a partir das 2h):

/dev/sda -a -s L/../../7/00 -m smart@domain.tld
/dev/sdb -a -s L/../../7/02 -m smart@domain.tld

# DEVICESCAN      For all disks with SMART capabilities.
#
# -o off          Turn off automatic running of offline tests. An offline test
#                 is a test which may degrade performance.
#
# -n standby      Do not spin up the disk for the periodic 30 minute (default)
#                 SMART status polling, instead wait until the disk is active
#                 again and poll it then.
#
# -W 2            Report temperature changes of at least 2 degrees celsius since
#                 the last reading. Also report if a new min/max temperature is
#                 detected.
#
# -S on           Auto save attributes such as how long the disk has been powered
#                 on, min and max disk temperature.
#
# -s (L/../.[02468]/1/04|S/../.[13579]/1/04)
#     '-------a--------' '--------b-------'
#
#                 a: Long test on    even monday mornings at 04:00
#                 b: Short test on uneven monday mornings at 04:00

DEVICESCAN -o off -n standby -W 2 -S on -s (L/../.[02468]/1/04|S/../.[13579]/1/04)